基于自适应指数蝙蝠和SAE的并行大数据分类

为解决深度学习进行大数据分类时效率低的问题,本文提出一种基于自适应指数蝙蝠和堆叠自编码器(SAE)的并行大数据分类方法.在并行计算框架中,Map阶段使用自适应指数蝙蝠算法进行特征选择,自适应指数加权移动平均值蝙蝠算法(AEB)由指数加权移动平均值(EWMA)和自适应权重策略得到.将选择的特征作为Reduce输入进行大数据分类,Reduce阶段使用AEB算法训练的深度堆叠自动编码器(SAE)进行分类,进一步提高了分类精度.实验结果表明,针对不同的训练数据百分比,本文所提方法在准确度和真正例率(TPR)性能方面优于其他现有方法.